Découvrez comment le deep learning a pris autant d’importance ces dernières années et les perspectives de cette technique d'apprentissage.
Il y a une dizaine d’années, le deep learning était encore une discipline obscure qui relevait pour beaucoup de la science-fiction. Imaginer que des machines puissent apprendre par elles-mêmes avait de quoi donner le tournis. Aujourd’hui, beaucoup d’applications d’intelligence artificielle se fondent sur le deep learning. La frontière entre l’humain et la machine continue de s’estomper même si des limitations persistent.
Qu’est-ce que le deep learning ?
Le deep learning est une méthode d’apprentissage des systèmes informatiques. La machine apprend par elle-même en analysant des données non structurées grâce à plusieurs couches de modèles algorithmiques. Le deep learning consiste donc dans la création de réseaux de neurones artificiels et s’apparente dans ce sens à l’apprentissage humain.
Le deep learning fait partie des techniques de machine learning. Il s’utilise couramment dans le cadre de reconnaissance d’images ou reconnaissance vocale. Le marché connait actuellement une ascension rapide. Un rapport publié par Research & Markets en avril 2020 estime son taux de croissance annuel à 30% pour les cinq prochaines années.
Histoire du deep learning
Parler d’histoire du deep learning peut sembler précoce pour certains. Nous n’en sommes effectivement qu’au début. Cependant, si beaucoup ne connaissent cette technologie que depuis récemment, la théorie remonte à plusieurs dizaines d’années.
En 1943 déjà, Warren McCulloch et Walter Pitts évoquaient le concept d’un réseau de neurones artificiels. Par la suite, ce concept a fait l’objet de recherches universitaires dans les années 1950 et 1960 notamment à Stanford, au MIT ou encore à l’Université de Toronto.
Néanmoins, ce n’est qu’à la fin des années 1990 que la technologie reçut un réel coup de pouce. En 1998, le Français Yann LeCun publia les résultats de ses recherches avant-gardistes concernant l’utilisation de réseaux de neurones artificiels dans le cadre de la reconnaissance d’image. L'homme, lauréat du prix Turing en 2019 avec Geoffrey Hinton et Yoshua Bengio, est considéré comme l’un des pères fondateurs du deep learning. Yann LeCun est aujourd’hui en charge de l’intelligence artificielle pour l’entreprise Facebook.
Bien évidemment, d'autres ont contribué en parallèle à l’émergence du concept de deep learning. Des noms comme Frank Rosenblatt, John Hopfield, Andrew Ng ou encore Ian Goodfellow ont marqué les évolutions dans la discipline et l'histoire continue de s'écrire. De nombreux chercheurs et chercheuses travaillent activement pour rendre les méthodes d’apprentissage des machines toujours plus performantes.
Pourquoi le deep learning a bouleversé le domaine de l’intelligence artificielle ?
Auparavant, l’apprentissage des machines se réalisait en entrainant la machine et en lui donnant une série d'exemples pratiques. L’exemple récurrent est celui du chat. Le modèle s’entrainait en ingérant des milliers de photos de chats. Il était par la suite capable de reconnaître une photo de chat. Les données devaient être structurées et libellées.
Dorénavant, l’apprentissage va plus loin. La machine devient capable d’analyser des volumes astronomiques de données non structurées et d’identifier elle-même les liens ou interactions entre certains concepts grâce aux nombreuses couches d’analyse dont elle dispose. La machine va donc comprendre qu’un chat existe en repérant un tronc commun au sein des images ou autres données présentées.
La croissance exponentielle du volume de données disponibles permet dorénavant à ces concepts de devenir une réalité. En effet, pour garantir l’efficacité du deep learning, il faut que la machine possède assez de données pour détecter des patterns corrects (soit des sortes de structures). Cela explique pourquoi la technique connait actuellement un élan sans précédent.
Le potentiel de l’apprentissage profond s’avère donc énorme. D’une part, le deep learning permet d’excéder les capacités humaines. En matière de reconnaissance d’image, les meilleurs systèmes surpassent les performances humaines depuis 2014 déjà. D’autre part, le potentiel prédictif du deep learning fait l’objet de toutes les convoitises. Dans la sphère financière notamment, des modèles et des intelligences toujours plus sophistiqués cherchent à deviner les évolutions de cours grâce aux données. Les sommes investies sont bien évidemment à la hauteur des enjeux. Plus simplement, les applications sont nombreuses dans des domaines divers tels la météo ou la maintenance prédictive.
Le potentiel du marché se révèle énorme. En 2018, McKinsey estimait la création de valeur annuelle entre 3 500 et 5 800 milliards de dollars. L’entreprise O’Reilly indique que l’apprentissage non supervisé aurait augmenté de 172% en 2019 et représentait 22% des applications d’intelligence artificielle. Au-delà des perspectives économiques, les débouchés éventuels dans le domaine médical notamment pourraient devenir essentiels. On pense par exemple au diagnostic.
Des attentes trop élevées face au deep learning ?
Si l’enthousiasme semble partagé par beaucoup, certaines voix dénoncent des attentes excessives face au deep learning. D’autres s’inquiètent des biais éventuels d’une intelligence artificielle hors de contrôle. Enfin, quelques-uns estiment également que beaucoup de techniques de deep learning seront limitées à l’avenir par des réglementations diverses.
Il est vrai que la technologie suscite de nombreux débats éthiques et réglementaires. Le respect du principe de protection de la vie privée soulève aussi la controverse.
De plus, le concept de deep learning reste mal compris. Les définitions se multiplient et varient d’une entreprise à l’autre. Pour beaucoup, le deep learning s’oppose simplement aux modes d’apprentissage supervisés, ces derniers représentant les techniques d’apprentissage par défaut. Certains distinguent également deep learning et réseau de neurones artificiels.
L’absence de définitions claires et partagées par tous manque ici aussi cruellement comme c’est le cas pour beaucoup de technologies récentes. Si vous demandez à deux personnes de circonscrire le champ d’application du deep learning, la chance d’obtenir une explication identique s'apparente à celle de gagner à l’Euromillions.
Ryax et le deep learning
En tant que plateforme de traitement de données, Ryax permet aux entreprises d’utiliser leurs algorithmes de machine learning et de deep learning grâce à un framework unifié. L’utilisation d’un logiciel tel que Ryax pour faciliter la mise en production présente de nombreux avantages pour optimiser l’exploitation des données. À l'aide de notre interface drag & drop, le déploiement de workflows de data-science avancé devient nettement plus simple.
Si vous voulez en savoir plus sur notre SaaS, n’hésitez pas à consulter notre fiche produit ou à contacter Ryax.
La Ryax Team.